Gradient Boosting Semi-supervisionado
O gradient boosting semi-supervisionado combina árvores de gradient boosting com auto-treinamento ou pseudo-rotulagem para explorar grandes conjuntos de dados não rotulados ao lado de um pequeno conjunto rotulado. Um ajuste inicial de GBM em dados rotulados atribui previsões confiantes a exemplos não rotulados; esses pontos pseudo-rotulados são incorporados ao treinamento e o modelo é re-ajustado, iterando até a convergência. Isso permite que os praticantes aproveitem dados não rotulados baratos quando os rótulos são escassos ou caros.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Yarowsky, D. (1995). Unsupervised word sense disambiguation rivaling supervised methods. Proceedings of ACL 1995, 189–196. (Foundational self-training framework underlying pseudo-label approaches.) link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/pt/machine-learning/semi-supervised-gradient-boosting
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- BoostingAprendizado de máquina↔ compare
- Gradient BoostingAprendizado de máquina↔ compare
- Aprendizado AutossupervisionadoAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
- Random Forest Semi-supervisionadoAprendizado de máquina↔ compare
- XGBoostAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →